HS#2017-3512, Adaptieve interventies voor het optimaliseren van malariabestrijding: een cluster-gerandomiseerde SMART-studie

In het afgelopen decennium hebben massale opschaling van langdurige met insecticiden behandelde netten (LLIN's) en indoor residuele spraying (IRS) in Afrika geleid tot een aanzienlijke vermindering van de mortaliteit en mobiliteit door malaria. De huidige eerstelijnsinterventies zijn echter niet voldoende om malaria in de meeste landen uit te roeien. Het wijdverbreide gebruik van pyrethroïde insecticiden heeft geresulteerd in resistente vectorpopulaties, en een hoge dekking van LLIN's en IRS heeft geleid tot meer voedingsgedrag en rustgedrag van mensen buitenshuis. Deze veranderingen in vectorecologie en gedrag hebben de effectiviteit van de huidige eerstelijnsinterventies die gericht zijn op bijtende en rustende muggen binnenshuis aanzienlijk beperkt. Bovendien is het malariarisico in een plaats dynamisch als gevolg van ecologische veranderingen en interventiemaatregelen, en het nut van malaria-interventiehulpmiddelen kan variëren naarmate nieuwe hulpmiddelen worden goedgekeurd en geïntroduceerd en de kosten van elk hulpmiddel verschillen per locatie en in de loop van de tijd. Dergelijke variaties in malariarisico, vectorecologie en bruikbaarheid van interventietools illustreren de noodzaak om optimale adaptieve interventies te ontwikkelen die zijn afgestemd op lokale malariarisico's, vectorecologie en toeleveringsketens. Het centrale doel van deze applicatie is het ontwerpen van optimale adaptieve combinaties van vectorbestrijdingsinterventies om de vermindering van de malarialast te maximaliseren op basis van lokale malaria-overdrachtsrisico's, veranderende vectorecologie en beschikbare mix van interventies die zijn goedgekeurd door het ministerie van Volksgezondheid in elk doelland. De centrale hypothese is dat een adaptieve aanpak op basis van lokaal malariarisico en veranderende vectorecologie zal leiden tot een aanzienlijke vermindering van de incidentie en het overdrachtsrisico van malaria. Om dit doel te bereiken, stellen we de volgende drie specifieke doelen voor:

1. Meet de incidentie van malaria en voorspel risico's met behulp van ecologische, biologische, sociale en klimatologische kenmerken met machine learning-benaderingen. Hypothese: De voorspelling van malariarisico's kan worden verbeterd door het gebruik van machine learning-technieken die rekening houden met ecologische, biologische, sociaaleconomische en klimatologische kenmerken. Aanpak: Elke locatie zal de incidentie, prevalentie en sociaal-economische factoren van malaria meten door middel van enquêtes onder de gemeenschap. Op classificatie gebaseerde en op regressie gebaseerde benaderingen zullen worden gebruikt om voorspellende modellen voor malariarisico's te ontwikkelen en de prestaties van modellen zullen worden gevalideerd. Resultaat: dit doel zal verbeterde voorspellingsmodellen voor malariarisico's opstellen en een belangrijke basis leggen voor de ontwikkeling van interventiestrategieën die zijn aangepast aan lokale vectorecologie en toekomstige malariarisico's met behulp van versterkte machine learning-benaderingen.
2. Gebruik een cluster-gerandomiseerde sequentiële, meervoudige opdracht gerandomiseerde trial (SMART) ontwerp om een ​​optimale adaptieve interventiestrategie te ontwikkelen. Hypothese: Malariabestrijdingsinterventies die zijn aangepast aan het lokale malariarisico en de vectorecologie en die kosteneffectief zijn, kunnen worden geïdentificeerd met behulp van een cluster-gerandomiseerd SMART-ontwerp. Benadering: Cluster-gerandomiseerd SMART-ontwerp zal worden gebruikt in gebieden met hoge transmissie in Kenia om de impact te evalueren van adaptieve interventies die sequentieel en gecombineerd gebruik van netten van de volgende generatie, binnenshuis spuiten van niet-pyrethroïde insecticiden en larvale bronbeheer voor malaria omvatten controle.
3. Evalueer de kosteneffectiviteit en impact van een adaptieve interventiebenadering op secundaire eindpunten met betrekking tot het risico op en de overdracht van malaria. Hypothese: Interventiestrategieën aangepast aan het lokale malariarisico en vectorecologie zullen kosteneffectiever zijn in het verminderen van malaria-incidentie en transmissierisico dan de momenteel gebruikte LLIN-interventie. Aanpak: De economische kosten van individuele interventies of combinaties daarvan zullen worden beoordeeld vanuit zowel het perspectief van de aanbieder als vanuit het maatschappelijk perspectief met behulp van standaard economische evaluatiemethoden. De kosteneffectiviteit zal worden gemeten in termen van kosten per beschermde persoon. De studie zal veranderingen in resistentie tegen geneesmiddelen en insecticiden en infectieprevalentie onderzoeken die kunnen worden toegeschreven aan de adaptieve interventies.

Malaria-interventies aangepast aan het snel veranderende malariarisico en vectorecologieën zijn van cruciaal belang om de effectiviteit van malariabestrijdingsmaatregelen te verbeteren. Deze studie zal nieuwe technieken gebruiken, waaronder machine learning en een nieuw cluster-gerandomiseerd SMART-ontwerp, om optimale adaptieve malaria-interventiestrategieën te ontwikkelen.